融合谱-空域信息的DBM高光谱图像分类方法

在高光谱图像分类问题中,提取能够有效表达地物特征的信息是分类方法中的关键问题。为了提高高光谱图像分类精度,提出一种基于深度玻尔兹曼机的高光谱图像分类方法。该方法首先对高光谱图像数据进行主成分分析法白化处理,并提取像元的空域信息,与像元光谱信息组成综合的谱-空域信息;然后通过多层深度玻尔兹曼机模型从像元的谱-空域信息中提取深层次类别特征;最后通过逻辑回归模型对所提取特征进行分类。这种深度玻尔兹曼机模型能够利用数据的先验知识对高维数据进行特征提取,并且所提取的特征内在地表示了地物的空间结构和光谱特征。实验结果表明,这种方法能够有效地提高高光谱图像的分类精度。     

小样本下基于空谱特征增强的高光谱图像分类

针对小样本下基于深度学习的高光谱图像分类方法精度不高的问题,本文提出一种基于空谱特征增强残差网络的高光谱图像分类方法.该方法利用三维卷积核同时提取高光谱图像的空间和光谱特征.同时,在普通三维卷积神经网络结构前加入空间和光谱特征增强的残差网络模块,通过恒等映射保留高光谱原始信息的同时用较少的参数增强网络的信息流,并且在构...     

基于卷积神经网络的图像精度深度优化

传统的图像精度深度优化方法优化后的图像精度仍然较差,为此设计一种基于卷积神经网络的图像精度深度优化方法.采用目标监测方法提取图像目标区域特征,对图像的原始特征提取,利用深度学习框架生成多个特征图表示图像信息,并对图像像素集分割,固定待提高精度的图像,利用卷积神经网络修复图像,以实现图像增强,完成基于卷积神经网络的图像精...     

深度迁移学习在高光谱遥感图像分类中的研究现状与展望

高光谱遥感通过利用许多窄电磁波波段获取包含丰富的空间、辐射和光谱信息,在对地观测研究领域扮演着重要角色。随着深度学习的迅速发展,深度神经网络及深度森林等算法在高光谱遥感图像分类任务中得到广泛应用,但同时也产生了一系列困难,如对训练样本数量需求高、模型训练耗时以及分类代价大等问题。将深度学习与迁移学习结合,能够有效解决上述问题,在高光谱遥感图像分类领域得到初步应用。本工作首先介绍高光谱遥感图像分类的相关背景,之后介绍深度学习在高光谱遥感图像分类中的应用,并指出其具有的优势与不足,最后介绍深度迁移学习在高光谱遥感图像分类中的应用,并对当前研究存在的问题进行总结与展望。     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.     

基于空谱联合的医学图像分类方法

为有效提高显微高光谱数据的利用率,提高分类精度,提出了一种联合显微高光谱空间信息和光谱信息的分类方法。首先,提取图像空间特征,包括Gabor特征等;其次,将空间特征和光谱信息联合,并使用短时傅里叶变换将其转化为二维图像;最后,使用卷积神经网络来提取空谱联合特征,实现分类。实验采用血细胞的显微高光谱图像作为数据集进行测试。实验结果表明,总体的分类精度可达98%,Kappa系数为0.973。相比于传统利用光谱信息分类的算法,在分类精度上有较明显的提升,这将为医学图像分类识别提供新的思路。     

基于深度神经网络的城市声音分类模型研究

为充分利用城市生态环境中各种声音包含的信息,提取Mel频率倒谱系数、Mel图谱、频谱质心、色度图谱(Chromagram)和光谱对比度等5种特征,通过深度神经网络模型进行城市环境声音的分类,该模型分类精度达88.6%,优于基于Mel频率倒谱系数的基本分类方法,并提出一种基于卷积神经网络的声音分类模型来评估连续小卷积核卷积神经网络在对短音频城市环境声音进行分类的潜力,与目前其他同类声音分类方法的结果进行对比。     

一种轻量级的高光谱遥感图像分类方法

智慧农业已成为当今世界现代农业发展的大趋势,其中低空无人机遥感图像分析是现代精准农业的重点研究方向,它通过对无人机拍摄的高光谱遥感图像进行学习,来指导无人机进行精准作业.然而,中小型农场在发展智慧农场的过程中存在设备资源不足的弊端,因此本文提出了一种基于卷积神经网络的轻量级高光谱遥感图像分类方法,旨在保证较高分类精度的...     

基于量子卷积神经网络的图像识别新模型

为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。     

基于残差SegNet模型的高分辨率遥感影像分类方法

为解决深度语义模型(SegNet)在高分辨率遥感影像分类中易出现梯度消失从而影响分类精度的问题,提出一种残差学习改进SegNet语义模型(ResSegNet)的高分辨率遥感影像分类方法,该方法以SegNet语义模型为基础,通过构建更深层次的网络结构并加入残差块以提高模型的特征提取能力,从而提取更深层次影像空谱特征实现分类。利用高分辨率遥感影像语义分割数据集Vaihingen和Postdam进行实验验证,结果表明：相比于支持向量机、面向对象决策树法、传统卷积神经网络和SegNet语义模型分类方法,提出的ResSegNet分类方法的总体精度均最高,分别为89.18%和87.62%,分类效果和分类精度最优。     

基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。     

Multi-Scale Feature Extraction for Joint Classification of Hyperspectral and LiDAR Data

With the development of sensors, the application of multi-source remote sensing data has been widely concerned. Since hyperspectral image (HSI) contains rich spectral information while light detection and ranging (LiDAR) data contains elevation information, joint use of them for ground object classification can yield positive results, especially by building deep networks. Fortunately, multi-scale deep networks allow to expand the receptive fields of convolution without causing the computational and training problems associated with simply adding more network layers. In this work, a multi-scale feature fusion network is proposed for the joint classification of HSI and LiDAR data. First, we design a multi-scale spatial feature extraction module with cross-channel connections, by which spatial information of HSI data and elevation information of LiDAR data are extracted and fused. In addition, a multi-scale spectral feature extraction module is employed to extract the multi-scale spectral features of HSI data. Finally, joint multi-scale features are obtained by weighting and concatenation operations and then fed into the classifier. To verify the effectiveness of the proposed network, experiments are carried out on the MUUFL Gulfport and Trento datasets. The experimental results demonstrate that the classification performance of the proposed method is superior to that of other state-of-the-art methods.     

组合核支持向量机高光谱图像分类

为了提高高光谱遥感图像分类中空间信息的利用率,提出一种将空间邻域信息和光谱信息结合的组合核支持向量机(SVM)学习算法.用SVM进行预分类,从分类结果图提取各像素的空间邻域特征,与光谱特征结合构造组合核SVM进行分类,并再次提取空间邻域特征进行多次空-谱信息组合核SVM迭代分类,如此迭代10次,从中选择合适的结果作为最终输出.结果表明,该方法对传统支持向量机的分类精度提升幅度可达10%左右.同时,与其他组合核支持向量机相比,该算法用更少的训练样本获得了更高分类精度.     

基于深度学习特征融合的遥感图像场景分类应用

针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层256维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机（GS-SVM）中对遥感图像进行场景分类识别.在公开数据集UC Merced的21类目标数据和RSSCN7的7类目标数据的实验结果表明,5次实验的平均准确率分别达94.77%和93.79%.该方法可有效提升遥感图像场景的分类精度.     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

基于空间注意力和卷积神经网络的视觉情感分析

为了解决现有基于深度学习方法的视觉情感分析忽略了图像各局部区域情感呈现的强度差异问题,提出一种结合空间注意力的卷积神经网络spatial attention with CNN, SA-CNN用于提升视觉情感分析效果。设计一个情感区域探测神经网络用于发现图像中诱发情感的局部区域;通过空间注意力机制对情感映射中各个位置赋予注意力权重,恰当抽取各区域的情感特征表示,从而有助于利用局部区域情感信息进行分类;整合局部区域特征和整体图像特征形成情感判别性视觉特征,并用于训练视觉情感的神经网络分类器。该方法在3个真实数据集TwitterⅠ、TwitterⅡ和Flickr上的情感分类准确率分别达到82.56%、80.23%、79.17%,证明利用好图像局部区域情感表达的差异性,能提升视觉情感分类效果。     

稀疏表达模型在高光谱遥感影像目标探测中的应用

为了更好地利用高光谱影像的空间和光谱信息,提出了一种基于稀疏表达模型的高光谱遥感影像目标探测方法.首先通过对影像训练样本进行训练提取过完备字典,利用稀疏表达模型对遥感影像稀疏表达既达到降维的目的,又可以表示出遥感影像的主要信息;然后利用传统的目标探测器结合目标已知光谱信息对高光谱遥感影像进行目标探测,即基于稀疏表达模型的高光谱遥感影像目标探测(SRM-TD).3种影像数据的实验结果表明:在确定的迭代次数下,通过设置稀疏度L可以得到最优的探测结果.提出的探测方法在参数设置、选择和运行结果上优于传统的高光谱遥感影像目标探测方法.